7 posts tagged with "macOS"

这是0篇测试博文

Test0

P1. PyTorch环境的配置及安装

Anaconda的安装，显卡驱动（CUDA），PyTorch的安装
较为基础，这里不做过多记录，仅对一些常用命令做一下记录：

conda --version
conda creat -n 环境名 python=3.6

conda activate 环境名
conda deactivate

conda list
conda install

pip list
pip install

nvidia-smi

import torch
torch.cuda.is_available()

P2. Python编辑器的选择、安装及配置

PyCharm的下载、安装，Jupyter的安装，不做过多记录
在新环境中安装jupyter：conda install nb_conda或conda install nb_conda_kernels

【FAQ】为什么torch.cuda.is_available返回False

【FAQ】为什么torch.cuda.is_available返回False：检查GPU是否支持CUDA，检查显卡驱动版本【FAQ】conda安装太慢，无法使用本地包：conda install --use-local 包名字（本地包放到Anaconda安装目录的pkgs文件夹下）

P3. Python学习中的两大法宝函数

package（例如PyTorch）相当于工具箱，用dir()打开操作
package中的函数（方法）相当于工具，用help()查看说明书

dir(torch)
dir(torch.cuda)
help(torch.cuda.is_available)    #注意is_available不带括号

P4. PyCharm及Jupyter使用及对比

不做过多记录，主要还是在讲PyCharm、Python控制台、Jupyter中Python代码运行的区别

P5. PyTorch加载数据初认识

不同数据集有不同的组织形式，所有数据集都需要继承Dataset类
导入：from torch.utils.data import Dataset，可以通过help(Dataset)查看其具体说明
所有子类都需要重写__getitem__方法，还可以重写__len__
Dataset：提供一种方式去获取数据及其label，主要实现两个功能：
- 如何获取每一个数据及其label（__getitem__）
- 告诉我们总共有多少个数据（__len__）
Dataloader：打包（batch_size）为后面的神经网络提供不同的数据形式

P6. Dataset类代码实战

读取图片的两种方法：

img_path = "hymenoptera_data/train/ants_image/swiss-army-ant.jpg"

# 法1：利用PIL读取图片，获得PIL类型图片数据
from PIL import Image
img = Image.open(img_path)

# 法2：利用opencv读取图片，获得numpy类型图片数据
import cv2
cv_img = cv2.imread(img_path)

路径拼接：path_name = os.path.join(path_name_1, path_name_2)
把路径下的文件名变成一个列表：path_list = os.listdir(path_name)
完整代码：

from torch.utils.data import Dataset
import os
from PIL import Image

class MyData(Dataset):
    def __init__(self, root_dir, label_dir):
        self.root_dir = root_dir
        self.label_dir = label_dir
        self.path = os.path.join(self.root_dir, self.label_dir)
        self.img_path = os.listdir(self.path)
        
    def __getitem__(self, idx):
        img_name = self.img_path[idx]
        img_item_path = os.path.join(self.root_dir, self.label_dir, img_name)
        img = Image.open(img_item_path)
        label = self.label_dir
        return img, label
    
    def __len__(self):
        return len(self.img_path)
        
root_dir = "hymenoptera_data/train"
ants_label_dir = "ants"
bees_label_dir = "bees"
ants_dataset = MyData(root_dir, ants_label_dir)
bees_dataset = MyData(root_dir, bees_label_dir)
train_dataset = ants_dataset + bees_dataset

import os

root_dir = "hymenoptera_data/train"
target_dir = "ants_image"
image_path = os.listdir(os.path.join(root_dir, target_dir))
label = target_dir.split('_')[0]
out_dir = "ants_label"

for i in image_path:
    file_name = i.split('.jpg')[0]
    with open(os.path.join(root_dir, out_dir, "{}.txt".format(file_name)), "w") as f:
        f.write(label)

P7. TensorBoard的使用（一）

TensorBoard可以用来观察训练过程中loss的变化和模型在不同阶段的输出
安装：pip install tensorboard
用于可视化训练过程，使用步骤：
- 导入：from torch.utils.tensorboard import SummaryWriter
- 初始化：writer = SummaryWriter("目录名称")
- 写入标量：add_scalar(标题, y轴数值, x轴数值)
- 关闭：close()
启动：tensorboard --logdir=目录名称 --port=端口名

在矩池云中使用TensorBoard：

配置端口：在租用机器时，展开高级选项，在自定义端口中，新增一个端口配置，为 HTTP-6006

启动TensorBoard：在需要使用 TensorBoard 时，输入命令tensorboard --logdir=目录名称 --bind_all

访问TensorBoard：点击租用列表里自定义的 HTTP 链接，即可打开 Tensorboard

from torch.utils.tensorboard import SummaryWriter
writer = SummaryWriter("logs")
# y=x^2
for i in range(100):
    writer.add_scalar("y=x^2", i**2, i)
writer.close()

P8. TensorBoard的使用（二）

写入图像：add_image(标题, img_tensor, step)
img_tensor支持tensor或numpy类型，默认是3*H*W，如不一致需用dataformats='HWC'指定

from PIL import Image
import numpy as np
from torch.utils.tensorboard import SummaryWriter

image_path = "hymenoptera_data/train/ants_image/swiss-army-ant.jpg"
img_PIL = Image.open(image_path)
img_array = np.array(img_PIL)

print(type(img_array))    # 查看类型是否为tensor或numpy
print(img_array.shape)    # 查看形状是否为3*H*W

writer = SummaryWriter("logs")
writer.add_image("test", img_array, 1, dataformats='HWC')
writer.close()

P9. Transforms的使用（一）

在transforms.\py（工具箱）中定义了很多类（工具模板），用于对图像进行不同的变换，使用步骤：
- 导入：from torchvision import transforms
- 初始化：transform = transforms.Compose([ transforms.CenterCrop(10), transforms.ToTensor() ])（从工具箱中创建具体的工具）
- 调用：image = transform(image)（使用工具）

from PIL import Image
from torchvision import transforms

img_path = "hymenoptera_data/train/ants_image/swiss-army-ant.jpg"
img = Image.open(img_path)
print(type(img))

tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)
print(type(tensor_img))

P10. Transforms的使用（二）

为什么需要Tensor数据类型：Tensor数据类型包装了一些神经网络所需要的特性，如_backward_hooks、_grad等 transforms.ToTensor()之后格式已经是3*H*W，因此在使用TensorBoard时不需要指定dataformats

本节主要是把前面所讲的串起来

from PIL import Image
from torchvision import transforms
from torch.utils.tensorboard import SummaryWriter

img_path = "hymenoptera_data/train/ants_image/swiss-army-ant.jpg"
img = Image.open(img_path)

tensor_trans = transforms.ToTensor()
tensor_img = tensor_trans(img)
print(tensor_img.shape) 

writer = SummaryWriter("logs")
writer.add_image("Tensor_img", tensor_img, 1)
writer.close()

常见的Transforms（一）

Python中__call__的用法：实例化的对象名后面加括号以及所需的参数调用，实际是调用类中定义的__call__()方法中的内容

class Person:
    def __call__(self, name):
        print("__call__" + "Hello, " + name)
    def hello(self, name):
        print("hello, "+ name)
        
person = Person()
person("zhangsan")
person.hello("lisi")

ToTensor()、ToPILImage()
Normalize([mean], [std])：output = (input - mean) / std

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("hymenoptera_data/train/ants_image/swiss-army-ant.jpg")

# ToTensor
trans_totensor = transforms.ToTensor()
img_tensor = trans_totensor(img)
writer.add_image("ToTensor", img_tensor)

# Normalize
print(img_tensor[0][0][0])
trans_norm = transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])
img_norm = trans_norm(img_tensor)
print(img_norm[0][0][0])
writer.add_image("Normalize", img_norm)

writer.close()

常见的Transforms（二）

Resize((h, w))或Resize(int)，一种是按(h, w)缩放，一种是最小边匹配int等比缩放，不改变高宽比例

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("hymenoptera_data/train/ants_image/swiss-army-ant.jpg")

# Resize
print(img.size)
trans_resize = transforms.Resize((256, 512))
img_resize = trans_resize(img)
print(img_resize.size)

# ToTensor
trans_totensor = transforms.ToTensor()
img_resize = trans_totensor(img_resize)
writer.add_image("Resize",img_resize, 0)

writer.close()

Compose([transforms1, transforms2])

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("hymenoptera_data/train/ants_image/swiss-army-ant.jpg")

# Compose
print(img.size)
trans_resize_2 = transforms.Resize(100)
trans_totensor = transforms.ToTensor()
trans_compose = transforms.Compose([trans_resize_2, trans_totensor])
img_resize_2 = trans_compose(img)
print(img_resize_2.shape)
writer.add_image("Resize", img_resize_2, 1)

writer.close()

RandomCrop

from PIL import Image
from torch.utils.tensorboard import SummaryWriter
from torchvision import transforms

writer = SummaryWriter("logs")
img = Image.open("hymenoptera_data/train/ants_image/swiss-army-ant.jpg")

# RandomCrop
trans_random = transforms.RandomCrop(100)
trans_totensor = transforms.ToTensor()
trans_compose_2 = transforms.Compose([trans_random, trans_totensor])
for i in range(10):
    img_crop = trans_compose_2(img)
    writer.add_image("RandomCrop", img_crop, i)
    
writer.close()

关注输入和输出数据类型，多看官方文档
关注方法需要什么参数
不知道返回值类型的时候，可以print、print(type())、debug

torchvision中的数据集使用

PyTorch核心模块，torchaudio/torchtext/torchvision分别针对语音/文本/图像
torchvision中包含datasets模块（数据集）、models模块（常见的神经网络）、transforms模块、utils（小工具，如TensorBoard）
本节主要是讲解torchvision.datasets模块，将数据集和前面的transforms结合

CIFAR-10数据集：6万张32×32彩色图片，10个类别，每类6k张，5w张训练，1w张测试

import torchvision
from torch.utils.tensorboard import SummaryWriter

dataset_transform = torchvision.transforms.Compose([torchvision.transforms.ToTensor()])
train_set = torchvision.datasets.CIFAR10(root="./dataset", train=True, transform=dataset_transform, download=True)
test_set = torchvision.datasets.CIFAR10(root="./dataset", train=False, transform=dataset_transform, download=True)
print(test_set.classes)

writer = SummaryWriter("cifar10")
for i in range(10):
    img, target = test_set[i]
    writer.add_image("test_set", img, i)
writer.close()

DataLoader的使用

dataset相当于打扑克的扑克牌，dataloader相当于通过参数设置每次去扑克牌中取几张牌
导入：from torch.utils.data import DataLoader
参数：
- dataset：传入的数据集
- batch_size：每次取几张牌，默认1
- shuffle：每一轮抓牌后是否洗牌，默认False
- num_workers：加载数据时的多进程，默认0
- drop_last：每一轮最后一次抓牌数目不够是否舍弃，默认False
DataLoader每迭代一次，实际是去dataset中取batch_size个数据然后进行一个打包

Python中__getitem__的用法：实例化的对象名后面加方括号[]以及index，实际是调用类中定义的__getitem__()方法中的内容

import torchvision
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter

test_data = torchvision.datasets.CIFAR10("./dataset", train=False, transform=torchvision.transforms.ToTensor())
test_loader = DataLoader(dataset=test_data, batch_size=64, shuffle=True, num_workers=0, drop_last=False)

writer = SummaryWriter("dataloader")
for epoch in range(2):
    step = 0
    for data in test_loader:
        imgs, targets = data
        writer.add_images("Test_Data_Epoch: {}".format(epoch), imgs, step)    # 注意这里用的是add_images
        step = step + 1
writer.close()

神经网络的基本骨架nn.Module的使用

import torch
from torch import nn

class Tudui(nn.Module):
    def __init__(self):
        super().__init__()
        
    def forward(self, input):
        output = input + 1
        return output

tudui = Tudui()
x = torch.tensor(1.0)
output = tudui(x)
print(output)

January 10, 2024macOS MacBook 记录使用体验7 min read

这是6篇测试博文

Test6

20240116

这是5篇测试博文

Test5

20240115

这是4篇测试博文

Test4

20240114

这是3篇测试博文

Test3

20240113

这是2篇测试博文

Test2

20240112

这是1篇测试博文

Test1

20240111

这是0篇测试博文

Test0

P1. PyTorch环境的配置及安装

P2. Python编辑器的选择、安装及配置

【FAQ】为什么torch.cuda.is_available返回False

P3. Python学习中的两大法宝函数

P4. PyCharm及Jupyter使用及对比

P5. PyTorch加载数据初认识

P6. Dataset类代码实战

P7. TensorBoard的使用（一）

P8. TensorBoard的使用（二）

P9. Transforms的使用（一）

P10. Transforms的使用（二）

常见的Transforms（一）

常见的Transforms（二）

torchvision中的数据集使用

DataLoader的使用

神经网络的基本骨架nn.Module的使用

Test6​

20240116​

Test5​

20240115​

Test4​

20240114​

Test3​

20240113​

Test2​

20240112​

Test1​

20240111​

Test0​

P1. PyTorch环境的配置及安装​

P2. Python编辑器的选择、安装及配置​

【FAQ】为什么torch.cuda.is_available返回False​

P3. Python学习中的两大法宝函数​

P4. PyCharm及Jupyter使用及对比​

P5. PyTorch加载数据初认识​

P6. Dataset类代码实战​

P7. TensorBoard的使用（一）​

P8. TensorBoard的使用（二）​

P9. Transforms的使用（一）​

P10. Transforms的使用（二）​

常见的Transforms（一）​

常见的Transforms（二）​

torchvision中的数据集使用​

DataLoader的使用​

神经网络的基本骨架nn.Module的使用​

Test6

20240116

Test5

20240115

Test4

20240114

Test3

20240113

Test2

20240112

Test1

20240111

Test0

P1. PyTorch环境的配置及安装

P2. Python编辑器的选择、安装及配置

【FAQ】为什么torch.cuda.is_available返回False

P3. Python学习中的两大法宝函数

P4. PyCharm及Jupyter使用及对比

P5. PyTorch加载数据初认识

P6. Dataset类代码实战

P7. TensorBoard的使用（一）

P8. TensorBoard的使用（二）

P9. Transforms的使用（一）

P10. Transforms的使用（二）

常见的Transforms（一）

常见的Transforms（二）

torchvision中的数据集使用

DataLoader的使用

神经网络的基本骨架nn.Module的使用